Nat.Med. | 生成式人工智能辅助基层医疗临床决策支持系统：一项务实性集群随机试验

DRUGONE

关于大型语言模型在真实世界、低资源临床环境中的表现，目前仍缺乏严格证据。研究人员在肯尼亚16家基层医疗机构开展了一项务实性集群随机试验，将临床官随机分配至使用带有大型语言模型辅助功能的电子病历系统，或使用不带该辅助功能的电子病历系统。主要结局是入组后14天内发生的、经专家裁定的治疗失败复合事件。2025年4月22日至7月16日期间，共纳入9,691名患者，由103名临床官负责诊疗，其中52名临床官分配至大型语言模型辅助组，51名分配至对照组。干预组4,693名患者中有102人发生治疗失败，比例为2.2%；对照组4,654名患者中有94人发生治疗失败，比例为2.0%。调整后优势比为0.77，95%置信区间为0.55至1.08，P值为0.13。主要结局在两组之间没有显著差异。没有严重不良事件被判定与干预相关，独立不良事件审查也未发现安全性信号。本试验表明，大型语言模型辅助在该场景下总体安全，但未能降低14天内治疗失败率；即便存在获益，其幅度也可能较小。

基层医疗机构承担着大量急性和慢性疾病管理任务，是连续性照护、不同卫生系统层级之间协调以及公平医疗服务交付的基础。在撒哈拉以南非洲，基层医疗长期面临严重人力资源限制。由于医生短缺，肯尼亚及许多国家的基层医疗通常由临床官承担，这类中级医疗人员接受临床医学文凭培训后负责门诊诊疗。基层医疗服务提供者经常需要在缺乏高级医生咨询支持的情况下处理复杂诊断和治疗决策，这可能导致指南依从性不一致、诊断错误、不恰当治疗以及不良患者结局。尤其重要的是，在低收入和中等收入国家中，许多可通过医疗服务改善的死亡发生在已经接触过卫生系统的人群中，这说明问题不仅在于能否获得医疗服务，也在于医疗质量本身。

大型语言模型已显示出理解临床信息并生成符合临床指南、适应具体情境建议的能力。基于病例情景的比较研究提示，大型语言模型在部分诊断和分诊任务中可以接近甚至超过医务人员表现。它们在低资源环境中支持一线医务人员提高照护质量的潜力，也已通过模拟研究得到一定展示。然而，来自真实世界临床研究，尤其是低收入和中等收入国家的前瞻性干预证据仍然有限。传统嵌入电子病历系统的规则型数字工具虽然可提高临床流程依从性，但常受限于逻辑僵硬、数据录入负担重以及与日常临床工作流整合不足。生成式大型语言模型不同之处在于，它们可以处理非结构化数据、模拟对话，并根据复杂临床表现调整建议。但由于其训练数据大多来自高收入国家卫生系统，这些模型可能并不完全适应低资源环境的疾病谱、文书习惯和资源约束。同时，生成式模型也带来准确性、幻觉内容和偏倚风险。因此，有必要通过经验性研究评估，将大型语言模型整合进常规基层医疗是否能够改善临床推理、病历记录和患者结局，并同时保障患者安全。

本研究在肯尼亚内罗毕和基安布县Penda Health运营的16家基层医疗机构中，开展了一项集群随机试验，评估一种嵌入云端电子病历系统的生成式人工智能临床决策支持系统，即“AI Consult”，是否能够提高临床官提供的医疗质量。研究主要目标是评估该干预对患者治疗失败的影响，同时进一步考察临床文书质量、处方行为、患者满意度和安全性结局。由于该干预是在临床官日常工作流层面实施，临床医生无法在干预和对照条件之间频繁切换而不产生污染，因此研究采用以临床官为随机单位的设计，患者嵌套于临床官和医疗机构之下。

方法

研究人员开展了一项务实性、多中心、平行分组、集群随机对照试验，研究地点为肯尼亚内罗毕和基安布县Penda Health网络下的16家基层医疗机构。试验比较了由大型语言模型支持的常规临床官门诊咨询与无大型语言模型辅助的常规门诊咨询。随机化单位为临床官，患者则嵌套在临床官及医疗机构之中。符合条件的临床官需在肯尼亚临床官委员会注册，正在参与机构提供门诊服务，并愿意在研究期间使用电子病历系统完成所有咨询。患者方面，所有由参与研究临床官接诊的患者均被评估是否符合纳入条件，研究助理在咨询前完成知情同意。干预组和对照组均使用同一电子病历系统进行记录和医嘱录入。干预组临床官可使用嵌入电子病历中的定制大型语言模型临床决策支持功能“AI Consult 2.0”。该系统基于GPT-4o，在每次就诊中分析临床官输入的结构化和自由文本信息，并生成个体化诊断和治疗建议；患者身份信息不进入模型分析。系统通过结构化提示词限定其临床角色、适用范围和约束条件，以尽量符合肯尼亚国家治疗指南及当地医疗语境。反馈以绿、黄、红三层视觉信号显示，分别提示无明显问题、轻微问题和严重问题。临床官可查看模型建议，并选择性纳入病历记录，但仍保留全部临床自主权，可接受、修改或忽略系统建议。对照组使用同一电子病历系统，但关闭AI Consult功能。主要结局为初次就诊后14天内的治疗失败，研究还评估了临床文书质量、安全性、处方实践、哨点疾病识别与管理以及患者满意度。

结果

患者流程

2025年4月22日至7月16日期间，共筛查17,626名患者。共有103个临床官集群被随机分配，其中52名临床官进入大型语言模型辅助组，51名进入对照组。共有9,702次符合条件的患者就诊被纳入，并按照接诊临床官的分组进行分析。排除撤回同意、失访以及可能导致暴露或分组误分类的方案不依从就诊后，主要分析最终纳入4,693例干预组就诊和4,654例对照组就诊。试验按预设样本量和随访期完成。两组患者基线人口学和临床特征相似。多数患者年龄为18至55岁，女性占56%，最常见的就诊诊断为发热或感染性疾病。临床官特征在两组之间也相似。干预组每名患者平均大型语言模型使用成本约为0.04美元。

图1｜试验参与者和集群流程图。

主要结局

治疗失败在对照组发生94例，占2.0%；在干预组发生102例，占2.2%。在意向治疗分析和符合方案分析中，调整后优势比均为0.77，95%置信区间为0.55至1.08，P值为0.13，说明两组主要结局没有显著差异。进一步加入患者性别、年龄、就诊时间和星期等就诊层面变量后，结果仍相似。不同亚组内未发现明确的干预效应差异。按16家机构进行分析时，合并优势比为0.76，尽管多数机构的点估计方向倾向于干预组，但单个机构置信区间较宽。总体来看，该干预对应的群体平均风险差约为每1,000名患者减少5例治疗失败，但不确定性范围仍包括无效应。

临床文书质量

在接受文书质量评审的2,000次就诊中，使用大型语言模型辅助的临床官在所有文书质量维度上均表现更好。与对照组相比，干预组更可能记录恰当诊断，更可能形成完整临床记录，也更可能制定恰当治疗计划。这表明，虽然大型语言模型未显著降低短期治疗失败，但能够改善临床记录、诊断表达和治疗计划质量。

图2｜干预对临床文书质量和临床安全性的影响。

临床安全性

研究人员对1,000条与红色警报相关的大型语言模型输出进行了专家评审。结果显示，49.4%的输出被评为明确安全且恰当，42.4%被评为大体安全且恰当，4.0%为中性，3.1%被认为有些不安全或不恰当，1.1%被判定为不安全且不恰当。临床官完全遵循模型建议的比例为19.5%，部分遵循为57.3%，未遵循为23.2%。专家小组认为临床官的遵循或不遵循决定在28.4%的就诊中具有临床合理性，而在71.6%的就诊中不具有充分合理性。这提示，模型建议总体上多数可接受，但临床人员对建议的采纳方式及其临床判断仍是影响安全和效果的重要环节。

哨点疾病与处方实践

研究未发现干预组和对照组在主要处方结局上存在显著差异，包括正确抗生素使用和错误抗疟药处方。成人高血压的新诊断和治疗启动也未见显著差异。儿童急性营养不良的诊断以及转诊至营养师的比例同样相似。2型糖尿病风险识别方面，对照组更可能将患者识别为糖尿病风险人群，但在最终确诊患者中的治疗启动率与干预组相似。总体而言，大型语言模型辅助并未明显改变这些哨点疾病和处方实践的临床行为模式。

图3｜处方实践和哨点疾病结局。

患者满意度

共有826名患者完成满意度调查，其中对照组411人，干预组415人。两组人口学特征相似。两组满意度评分在总体水平上相同，中位数均为4.0，四分位距均为4.0至5.0。报告高满意度的可能性在两组之间也相似。患者对咨询时长的感受基本一致，绝大多数认为就诊时长“刚好”。事后分析显示，两组中位咨询时间均为11分钟，说明大型语言模型辅助并未明显改变患者感知到的就诊体验。

安全性、不良事件与方案偏离

在16个研究地点中，共发生33例严重不良事件，包括27例住院和6例死亡。独立审查确认相关病例管理适当，且未发现这些事件与干预之间存在因果关系。死亡或住院的复合结局在对照组为0.4%，干预组为0.3%，两组无显著差异。研究期间还记录到921项方案偏离和违规，多数为操作性问题，例如接诊涉及未同意参与研究的临床官，或一次就诊涉及多名临床官。这些情况反映了真实临床工作流中的复杂性。另有少数方案违规来自电子病历配置错误，使部分对照组临床官暂时获得AI Consult访问权限；该问题被发现后已及时纠正。

事后分析

事后分析显示，两组在多数药物类别上的人均支出相似。抗生素是平均支出占比最大的类别，对照组为3.85美元，干预组为3.71美元。调整临床官和机构效应后，干预组抗生素相关费用较低，平均差异为-0.15美元。这一结果提示，即使临床结局改善有限，大型语言模型辅助仍可能通过优化部分处方选择带来一定运营层面的成本节约。

讨论

这项大规模务实性随机试验在常规基层医疗全谱场景中评估了嵌入临床工作流的生成式大型语言模型。研究发现，两组14天治疗失败率相似，提示该干预没有显著改善短期患者结局。估计效应对应每1,000名患者减少13例至增加1例治疗失败，说明若真实获益存在，其幅度也可能较小。需要注意的是，观察到的事件率低于预期，因此研究对检测小幅效应的精确度有限。不过，结果仍提供了一个重要边界：大型、临床意义显著的效应不太可能存在，而较小效应仍不能排除。

主要结局未改善，可能反映了基层医疗结局的复杂性。患者是否在14天内发生治疗失败，不仅取决于一次门诊中的诊疗质量，还受到社会环境、依从性、卫生系统可及性、疾病自然进程以及后续照护等多因素影响。此外，试验原本针对较大效应量设计，而实际效应可能更小。尽管如此，研究提供了较强证据表明，该干预改善了临床文书质量和照护过程，包括诊断推理表达和治疗计划恰当性，同时降低了抗生素相关成本，并且总体安全。

该干预作为一种整合进工作流的决策支持工具，不要求临床官主动发起查询，而是在常规记录过程中自动生成建议。临床官保留接受、修改或忽略建议的自主权，也没有额外激励或强制机制促进使用。因此，本研究评估的是常规真实条件下的有效性，而不是强制使用条件下的理想效果。临床官对系统参与程度不一，可能削弱了可观察到的临床结局差异，但这也更接近真实世界部署环境，增强了结果的外部有效性。

研究还提出了一个关键问题：对于大型语言模型这类通用技术，在基层医疗这样疾病谱广泛、结局多样的场景中，什么才是最合适的主要评价指标。住院和死亡等客观临床终点最有意义，但在基层医疗中相对罕见，要检测中等或较小差异可能需要远超本研究规模的样本量。相比之下，文书质量、诊断记录、治疗计划和处方成本等过程指标更容易被观察到，也可能是通向长期患者获益的中间环节。

研究中临床文书质量的改善与既往受控研究和真实世界研究结果一致。大型语言模型可能通过提升记录完整性、促进诊断推理和标准化治疗计划，间接降低诊疗错误。然而，这些过程改善能否最终转化为明确患者获益，还需要更大规模、更长期或更有针对性的研究加以验证。

在处方实践方面，干预没有改变发热患者中的抗生素使用率，这可能是因为发热时使用抗生素在临床实践中根深蒂固，也可能与相关亚组样本量较小有关。不过，抗生素相关费用下降是一个值得注意的信号，说明系统可能帮助临床官选择更经济的治疗方案，同时未降低处方适当性。从卫生系统角度看，在财政空间受限、普遍健康覆盖推进困难的背景下，这类工具若能在运营层面产生节约，可能具有实际意义。不过，是否真正节省成本仍需纳入系统维护、模型调用、培训、治理和质量监测等总体拥有成本后进一步评估。

患者满意度未出现差异，可能是因为该工具主要面向临床官，患者并未直接看到界面。临床官可能将其视为一种辅助诊断推理和提高全面性的工具，而不是替代医患互动的系统。因此，在良好整合进临床工作流时，大型语言模型决策支持系统可能增强照护质量，同时不削弱患者信任和医患关系。然而，研究人员也提醒，长期依赖自动化推理可能带来技能退化风险。未来需要进一步探索哪些设计能够促进临床官保持批判性思维，甚至实现能力提升，而不是将认知任务过度外包给系统。

本研究存在若干局限。首先，虽然随机化以临床官为单位，但研究发生在共享医疗机构环境中，临床官之间可能存在非正式交流，这种污染可能使两组差异向无效方向偏移。其次，研究在内罗毕一家私营城市基层诊所网络内进行，结果未必能直接推广至农村、城郊或公立医疗机构。第三，研究网络本身已有较高水平的电子病历和质量改进机制，包括临床审计、同行评议和绩效反馈，这可能压缩了干预带来的可测量改进空间。在数字化程度更低或资源更有限的环境中，同类干预可能产生不同效果。第四，人工智能系统表现与具体模型版本和数据分布密切相关。随着模型快速演进，后续版本可能在推理、安全过滤和偏倚控制方面有所改进，因此本研究结果更应被视为某一时间点的基准，而不是对技术能力的永久估计。最后，14天随访期可能不足以捕捉错误减少、连续性照护改善或运营效率提升等下游影响。

总体而言，生成式人工智能临床决策支持系统没有降低短期治疗失败率，也未发现明确安全性问题。未来需要更大规模、统计效能更充分的研究，以更精确判断其是否存在小幅但有意义的临床获益。

整理 | DrugOne团队

参考资料

Agweyu, A., Mwaniki, P., Menon, V. et al. Generative AI-enabled clinical decision support system in primary care: a pragmatic, cluster-randomized trial. Nat Med (2026).

https://doi.org/10.1038/s41591-026-04503-6

内容为【DrugOne】公众号原创｜转载请注明来源